XiaoMi-AI文件搜索系统
World File Search System朴素
预测患有糖尿病或有患糖尿病风险的加拿大人的抑郁症：横断面机器学习分析
摘要 — 抑郁症在糖尿病高危人群或糖尿病患者中常常被忽视，这给初级保健临床医生带来了巨大挑战。尽管大型语言模型和其他基础模型方法引起了广泛关注，但我们系统地比较了六种成熟的机器学习算法 - 逻辑回归、随机森林、AdaBoost、XGBoost、朴素贝叶斯和人工神经网络 - 因为它们在日常临床环境中具有可靠性、可解释性和可行性而被选中。通过在现实约束下对它们的性能进行基准测试，我们确定了与糖尿病护理中抑郁风险相关的关键因素，包括患者性别、年龄、骨关节炎、糖化血红蛋白和体重指数。虽然不完整的人口统计信息和潜在的标签偏差限制了预测能力，但我们的结果表明，多种临床特征可能有助于确定高风险患者。它们还表明需要纵向随访和更丰富的临床数据来提高模型准确性。作为临床医生和数据科学家的实用基准，这项工作表明基于机器学习的风险分层可以改善抑郁症的早期发现，并为糖尿病人群提供有针对性的干预措施。
预测患有糖尿病或有患糖尿病风险的加拿大人的抑郁症：横断面机器学习分析
摘要 — 抑郁症在糖尿病高危人群或糖尿病患者中常常被忽视，这给初级保健临床医生带来了巨大挑战。尽管大型语言模型和其他基础模型方法引起了广泛关注，但我们系统地比较了六种成熟的机器学习算法 - 逻辑回归、随机森林、AdaBoost、XGBoost、朴素贝叶斯和人工神经网络 - 因为它们在日常临床环境中具有可靠性、可解释性和可行性而被选中。通过在现实约束下对其性能进行基准测试，我们确定了与糖尿病护理中抑郁风险相关的关键因素，包括患者性别、年龄、骨关节炎、糖化血红蛋白和体重指数。尽管不完整的人口统计信息和潜在的标签偏差限制了预测能力，但我们的结果表明，多种临床特征仍然可以帮助确定高风险患者。它们还表明需要纵向随访和更丰富的临床数据来提高模型准确性。作为临床医生和数据科学家的实用基准，这项工作表明基于机器学习的风险分层可以改善抑郁症的早期发现，并为糖尿病人群提供有针对性的干预措施。
使用机器学习和图形离散傅里叶变换检测脑电图数据中的阿尔茨海默病
阿尔茨海默病 (AD) 是全球范围内日益严重的重大公共卫生挑战。早期准确诊断对于有效干预和治疗至关重要。近年来，人们对利用脑电图 (EEG) 来提高 AD 检测率的兴趣日益浓厚。本文重点介绍图信号处理 (GSP) 技术的应用，使用图离散傅里叶变换 (GDFT) 分析 EEG 记录以检测 AD，方法是采用多种机器学习 (ML) 和深度学习 (DL) 模型。我们基于公开的 EEG 数据评估我们的模型，该数据包含 88 名患者，分为三组：AD、额颞叶痴呆 (FTD) 和健康对照 (HC)。痴呆与 HC 的二元分类最高准确率达到 85%（SVM），而 AD、FTD 和 HC 的多类分类最高准确率达到 44%（朴素贝叶斯）。我们提供了用于检测 AD 的新型 GSP 方法，并形成了进一步实验的框架，以在多种数据模式的其他神经退行性疾病背景下研究 GSP，例如重度抑郁症、癫痫和帕金森病中的神经影像数据。
心脏病预测中的可解释人工智能
心脏病是全球主要的健康问题，导致全球发病率和死亡率居高不下。降低心脏病发病率最重要的方面之一是早期识别和预测。机器学习技术与可解释人工智能 (XAI) 相结合，为精准理解和预测心脏病风险变量提供了一条可行的途径。本文探讨了机器学习 (ML) 和可解释人工智能 (XAI) 在心脏病预测中的应用。该研究利用多种复杂算法，展示了基于机器学习的模型如何高效地识别心脏病高风险人群，并使用可解释人工智能 (XAI) 方法解释这些预测背后的原因。数据集来自 Kaggle，并使用预处理技术来准备用于训练机器学习模型的数据。这些模型包括决策树、随机森林、逻辑回归、支持向量机 (SVM)、KNN 和朴素贝叶斯。结果表明，随机森林表现最佳，逻辑回归表现接近。SHAP 应用于 LR 模型，这提供了直观的解释。此外，通过利用不同的形状图，他们提供了关于特定特征如何影响机器学习模型的预测的关键见解，增强了透明度并使模型更易于理解。
可解释的早期机器学习框架......
摘要 — 中风是脑血管的一种严重神经缺陷，当部分脑部血液供应不足或停止使脑细胞缺氧时就会发生。它会导致各种形式的身体失衡。它是全世界导致疾病和死亡的主要原因之一。20-25% 的中风幸存者有严重的损伤，这与死亡风险增加有关。及早识别众多中风警告信号可以预防中风。在本研究中，我们开发了一种基于集成学习的机器学习架构，能够分析中风患者数据集并准确预测和识别中风特征。首先，收集中风数据集，然后使用合成少数过采样技术 (SMOTE) 来平衡它。然后，我们实施了几种机器学习技术，例如决策树、朴素贝叶斯、K 最近邻、随机森林、极端梯度提升、多层感知器、Ada Boost 和我们提出的集成框架。在优化超参数后，我们提出的框架在所有机器学习分类器中表现出最高的准确率 (99.90%)。我们使用机器学习 (信息增益、相关性和缓解 F) 和统计特征选择技术将年龄、BMI、平均血糖水平、心脏病确定为重要的中风指标。使用 SHapley Additive exExplanations (SHAP) 方法来确定每个属性对模型结果的影响。我们相信我们提出的框架可以帮助医生和临床医生开处方并尽早发现潜在的中风。
利用功能性近红外光谱衍生的生物标志物对神经精神疾病进行四级分类
摘要：大多数神经精神疾病的诊断依赖于主观测量，这使得最终临床决策的可靠性值得怀疑。本研究的目的是提出一种基于机器学习的分类方法，利用功能性近红外光谱 (fNIRS) 衍生的生物标志物对三种神经精神或神经系统疾病进行客观诊断。十三名健康青少年和六十七名临床诊断为偏头痛、强迫症或精神分裂症的患者执行了 Stroop 任务，同时用 fNIRS 监测前额皮质血流动力学。提取血流动力学和认知特征来训练三种监督学习算法（朴素贝叶斯 (NB)、线性判别分析 (LDA) 和支持向量机 (SVM)）。通过十次十倍交叉验证程序运行来测试每种算法在四个类别中正确预测每个参与者的类别的性能。所有算法均实现了四类分类性能，准确率超过 81%，特异性超过 94%。SVM 在准确率（85.1 ± 1.77%）、敏感度（84 ± 1.7%）、特异性（95 ± 0.5%）、精确度（86 ± 1.6%）和 F1 分数（85 ± 1.7%）方面表现最佳。fNIRS 衍生特征用于自动分类时没有主观报告偏差。所提出的方法可能对协助客观诊断与额叶功能障碍相关的神经精神疾病具有巨大潜力。
使用机器学习进行早期预测和风险分析
如今，精神疾病是我们日常生活中功能性和社会问题的主要原因。神经科学表明，我们的大脑是精神压力、焦虑和抑郁的根本原因。我们大脑中的情绪和慢性水平会导致各种生理疾病，如双相情感障碍 (BD)。双相情感障碍是一种情绪障碍，从躁狂发作到严重抑郁，有不同的阶段。临床和研究数据显示，治疗延迟会导致高水平的压力和情绪波动发作，并伴有更严重的后果，如心脏骤停、脑卒中、心脏病发作和抑郁。本文旨在通过研究特征选择、分类和交叉验证来识别心理层面。因此，本文提出了基于机器学习 (ML) 的框架，可在早期识别双相情感障碍，该框架有助于制作基于计算机的预测和诊断工具，用于精神和压力检测。此外，本文分析了不同的转变，如抑郁到躁狂、从抑郁到双相情感障碍、从双相情感障碍到轻躁狂，并识别前双相抑郁症。机器学习算法，如支持向量机 (SVM)、逻辑回归 (LR)、朴素贝叶斯 (NB) 和 K-最近邻 (K-NN)，用于分析风险因素和准确性以获得输出。不同的机器学习模型用于分析心理阶段检测的风险因素和准确性。根据数据集推导出精度、准确度、F1 分数和召回值分析，以预测所需结果。
机器学习和眼球运动让我们深入了解神经退行性疾病机制
摘要：人类是视觉主导的物种；我们感知到什么取决于我们看向何处。因此，眼球运动 (EM) 对我们与环境的互动至关重要，实验结果表明，EM 会受到神经退行性疾病 (ND) 的影响。这可能是 ND 中某些认知和运动障碍的原因。因此，我们旨在确定 EM 诱发反应的变化是否可以告诉我们 ND（例如阿尔茨海默病 (AD) 和帕金森病 (PD)）在不同阶段的进展情况。在本综述中，我们分析了心理、神经和 EM（扫视、反扫视、追踪）测试的结果，以使用机器学习 (ML) 方法预测疾病进展。借助 ML 算法，我们能够从高维参数空间中找到与 ND 症状相关的显着 EM 变化，从而让我们深入了解 ND 机制。所描述的预测算法使用各种方法，包括粒度计算、朴素贝叶斯、决策树/表、逻辑回归、C-/线性 SVC、KNC 和随机森林。我们证明了 EM 是评估 PD 和 AD 症状进展的可靠生物标记。这两种疾病都存在 3D 空间导航问题。因此，我们研究了虚拟空间中的 EM 实验，以及它们如何帮助发现与神经退行性疾病相关的大脑变化，例如与位置或/和方向问题相关的变化。总之，具有临床症状的 EM 参数是强大的精密仪器，除了借助 ML 预测 ND 进展的潜力外，还可用于指示这两种疾病的不同临床前阶段。
爱丁堡研究探索者
虽然丘脑底核中β频带振荡同步的过度爆发与帕金森病的运动障碍有关，但一直缺乏将这两种现象联系起来的合理机制。在这里，我们检验了以下假设：β爆发所表示的同步增加可能会损害基底神经节网络中的信息编码能力。为此，我们记录了18名帕金森病患者在执行提示的上肢和下肢运动时丘脑底核中的局部场电位活动。我们使用每次试验中基于局部场电位对要移动的肢体进行分类的准确性作为系统所掌握的有关预期动作的信息的指标。使用朴素贝叶斯条件概率模型的机器学习用于分类。局部场电位动态可以在执行之前准确预测预期动作，当提前知道要求的动作时，在命令提示之前，受试者工作特征曲线下面积为 0.80 0.04。α 频段局部场电位活动爆发，尤其是 β 频段局部场电位活动爆发，严重影响了对要移动的肢体的预测。我们得出结论，低频爆发，尤其是 β 频段的爆发，限制了基底神经节系统编码有关预期动作的生理相关信息的能力。当前的发现也很重要，因为它们表明，除了恢复性脑机接口应用中的力量控制外，局部丘脑底活动可能被解码以实现效应器选择。
作者，《巴比伦机器学习杂志》卷......
计算机视觉通过采用图像和模式分析方法来解决复杂挑战，将图像视为复杂的像素阵列，发挥着关键作用。人工智能 (AI) 中的这一领域可自动执行监控和检查任务，展示其从各种视觉输入（包括数字图像和视频）中提取有意义信息的能力。本质上，计算机视觉已成为一个不可或缺的组成部分，有助于系统在人工智能的背景下获得有价值的见解 [1]。计算机视觉的目标是让计算机和机器理解视觉信息，类似于人类，这意味着开发算法和技术来分析、处理和提取视觉数据中的含义 [2]。监督式 ML 和 DL 是计算机视觉中的两种主要技术，它们开发了分析和解释视觉数据的方法 [3]。监督式 ML 用于训练模型，开发标记示例，利用支持向量机 (SVM)、决策树 (DT)、随机森林 (RF) 和朴素贝叶斯 (NB) 分类器等算法 [4]。DL 旨在通过人脑的结构和操作学习人工神经网络。这些网络与多层连接节点相结合，从原始输入数据中提取表示 [5]。图 1 显示了常见 ML 和 DL 技术的分类。在这篇关于计算机视觉中的监督 ML 和 DL 技术的综述中，研究了它们所需的模型、架构、优势和局限性。